أصبح الذكاء الاصطناعي حاضرًا في كل مكان، يزداد حضورُه في أعمالنا وحياتنا اليومية. ومع ذلك، يغطي المصطلح طيفًا واسعًا من التقنيات التي تؤدي مهام مختلفة. لكل منها دور في المشتريات، لكن من المهم فهم الفروق بينها لضمان استخدام الأداة المناسبة للغرض المناسب. وقد تدخل الاعتبارات الأخلاقية والتنظيمية أيضًا في الحسبان، فضلًا عن المخاطر السُمعة وغيرها على عملك. في هذه المقالة نركّز على الذكاء الاصطناعي التوليدي وكيف يرتبط بأشكال الذكاء الاصطناعي الأخرى ويختلف عنها.
ما هو الذكاء الاصطناعي التوليدي؟
يمكن تمييز الذكاء الاصطناعي التوليدي عن غيره من أشكال الذكاء الاصطناعي بقدراته وتقنيات تعلّم الآلة التي يعتمدها، لكننا سنركّز حاليًا على الوظائف والتطبيق. يشير الذكاء الاصطناعي التوليدي (GenAI) إلى ذكاءٍ اصطناعي يُنشئ محتوى جديدًا (نصوصًا، صورًا، موسيقى، شيفرة… إلخ) بالاستناد إلى أنماط متعلَّمة ذاتيّ الإشراف. من أمثلته: ChatGPT وDALL·E وMidJourney وClaude وGemini. يُحدث GenAI ثورة في الصناعات الإبداعية، لكنه يساعد أيضًا في جوانب المشتريات التي تتضمن إنشاء محتوى جديد أو مراجعة المحتوى القائم، مثل طلبات عروض الأسعار RFQs والعقود.
أنماط أخرى (وظيفية) من الذكاء الاصطناعي
الذكاء الاصطناعي التنبّؤي يتنبّأ بالمخرجات المستقبلية اعتمادًا على البيانات التاريخية. من أمثلته: التنبؤ بالطلب لتحسين الطلبيات ومستويات المخزون وتقليل التكاليف مع تلبية الطلب، وكذلك التنبؤ بسوق الأسهم، والصيانة التنبؤية، وتوقّعات الطقس. وتعتمد دقته على جودة بيانات التدريب، وقد تؤدي التحيزات في البيانات إلى تنبؤات معيبة. [رابط إلى المقال السابق.]
الذكاء الاصطناعي القائم على الوكلاء (Agentic AI) أنظمة تعمل ذاتيًا لتحقيق أهداف، غالبًا مع قدرات استدلال واتخاذ قرار. تستخدمه السيارات ذاتية القيادة وبعض المساعدين الشخصيين (مثل AutoGPT وDevin AI). سيلعب Agentic AI دورًا مهمًا في أتمتة سير عمل معقّد في المشتريات، لكنه قد يقود إلى سلوكيات غير مقصودة إن لم يُحكَم ضبطُه ضمن معايير وحواجز واضحة. [رابط إلى المقال السابق.]
الذكاء الاصطناعي التمييزي (Discriminative AI): هدفه اختيار أفضل قرار أو التصنيف الصحيح لبيانات الإدخال عبر التعلّم من بيانات التدريب. وعلى خلاف الذكاء التوليدي، تُدرَّب النماذج التمييزية على التفريق بين البيانات؛ إذ تتعلّم العلاقة بين المدخلات والمخرجات أو التسميات/المتغيرات الفئوية. تشمل الاستخدامات: التعرّف على الصور والكلام، ومعالجة اللغة الطبيعية، وتعرّف الوجوه، وأنظمة التشخيص الطبي. وللذكاء التمييزي تطبيقات قائمة وكبيرة الإمكان في المشتريات وسلاسل الإمداد، لا سيما في مهام التصنيف والتنبؤ واتخاذ القرار. مثلًا، يمكنه تصنيف المورّدين وفق مؤشرات الأداء (زمن التسليم والجودة والتسعير) وبيانات خارجية (درجات ESG والاستقرار المالي) للتوصية بأفضل المورّدين ضمن قيود مثل التكلفة والموقع والأهداف الاستدامية.
ويمكن استخدام الذكاء التمييزي كذلك في كشف الاحتيال؛ إذ يُصنّف المعاملات أو سلوكيات المورّدين «احتيالية» أو «طبيعية» عبر رصد الشذوذات في الفواتير وأوامر الشراء وأنماط المدفوعات. كما يُستخدم تعرّف الصور التمييزي لتصنيف العيوب التصنيعية في السلع المُستلمة. في سلاسل توريد السيارات، تفحص أنظمة الذكاء الاصطناعي الأجزاء بحثًا عن العيوب، ما يقلّل عمليات الاستدعاء. باختصار، يتفوّق الذكاء التمييزي على التوليدي في مهام التصنيف—لكنه بدوره يعتمد على بيانات تدريب عالية الجودة يجب تدقيقها لرصد التحيّزات.
طرائق أخرى لتصنيف الذكاء الاصطناعي
الذكاء الضيّق والعامّ والتفوّقي
استعرضنا الفروق الوظيفية بين الأنماط، لكن هناك تمييزات أخرى. التصنيف الكلاسيكي يكون بحسب «القدرة». الذكاء الاصطناعي الضيّق (أو الضعيف) يركّز على مهمة واحدة محددة؛ Siri مثال جيد، وكثير من محرّكات التوصية تندرج هنا.
في المقابل، الذكاء الاصطناعي العام (AGI) يشير إلى نظم تستطيع أداء أنواع متعددة من المهام بمستوى يماثل الإنسان—أو أفضل. ولتحقيق ذلك، ينبغي أن يتعامل AGI مع مهام عديدة: حلّ المشكلات، وفهم المعلومات الجديدة، وتعلّم مهارات جديدة، بمستوى قريب من البشر.
ورغم براعة الذكاء التوليدي في إنشاء محتوى جديد (نصوص، صور، فيديو) استنادًا إلى أنماط متعلَّمة، فإنه يفتقر إلى الفهم الأوسع والاستدلال والتكيّف اللذين يميّزان الذكاء العام؛ لذا يُفهَم الذكاء التوليدي عادةً على أنه «ذكاء ضيّق».
الذكاء الاصطناعي التفوّقي (ASI) نظامٌ افتراضيٌّ ذو قدرات معرفية تفوق قدرات البشر عبر طيف واسع من المجالات. لم يُطوَّر ASI بعد وهو نظري في الوقت الحالي. وقد تشمل قدراته الفائقة الإدراك والذكاء العام وحلّ المشكلات والمهارات الاجتماعية والإبداع. وتوجد مخاوف من أنه قد يشكّل تهديدًا وجوديًا للبشرية يومًا ما.
منهج التعلّم
طريقة أخرى للتصنيف هي منهج التعلّم المُتّبع: مُراقَب وغير مُراقَب ومعزَّز وذاتي الإشراف. يتعلّم الذكاء المُراقَب من بيانات مُعلَّمة (أزواج دخل/خرج) لإجراء تنبؤات أو تصنيفات. قد يكون ذلك عبر تصنيف بملصقات فئوية (مثل كشف رسائل البريد العشوائي)، أو عبر انحدار لقيم مستمرة (مثل التنبؤ بالمبيعات). ويُعدّ التعلّم المُراقَب عماد الذكاء التمييزي في تطبيقات مثل تصنيف المنتجات المعيبة مقابل السليمة في التصنيع. والأداة التقنية الأساسية هنا هي الشبكات العصبية الالتفافية (CNN) المصمّمة لاستخراج السمات تلقائيًا.
ويُستخدم التعلّم المُراقَب أيضًا في رصد معاملات بطاقات الائتمان الاحتيالية والتنبؤ بتسرب العملاء (متى سيتركون خدمةً ما مثل مشغّل اتصالات).
في المقابل، يجد التعلّم غير المُراقَب أنماطًا خفية في بيانات غير مُعلَّمة من دون مخرجات محدّدة مُسبقًا؛ لذا فهو محوري في التحليلات التنبؤية. تشمل الأساليب: العنقدة (تجميع النقاط المتشابهة) واختزال الأبعاد (تبسيط البيانات). من التطبيقات: تجزئة الأسواق للتسويق الموجَّه، وكشف الشذوذ للصيانة التنبؤية والأمن السيبراني، وتحسين سلاسل الإمداد عبر عنقدة المورّدين حسب الاعتمادية أو المخاطر الجغرافية. ولا يستبدل التعلّم غير المُراقَب التعلّم المُراقَب، بل يُحسّنه بكشف أنماط كامنة تجعل التنبؤات أذكى.
التعلّم المُعزَّز (RL) مثالي لاتخاذ القرارات المتسلسلة (مثل الأنظمة الذاتية). نلمسه يوميًا في التسعير الديناميكي. وتقنيته المحورية شبكات Q العميقة (DQNs) التي تستخدم شبكة عصبية لتقريب دالة Q، التي تُشير إلى العائد التراكمي المتوقع لفعلٍ ما في حالةٍ ما. وبعبارة أخرى، تُدرّب الوكلاء على اتخاذ قرارات في بيئات معقّدة عبر المحاولة والخطأ؛ ومن خلال المكافآت/العقوبات يتعلم الوكلاء تحسين قراراتهم بمرور الوقت. ومن تطبيقاته التجارية روبوتات المستودعات التي تُحسّن مسارات الالتقاط والالتقاط-والوضع.
التعلّم التبايني (Contrastive Learning) يمكّن النماذج من التمييز بين نقاط البيانات المتشابهة وغير المتشابهة، ويُستخدم لإعادة تدريب نماذج الرؤية للتصوير الطبي.
وأخيرًا، هناك التعلّم ذاتي الإشراف—وهو جوهر الذكاء التوليدي.
الذكاء التوليدي والتعلّم ذاتي الإشراف
يُدرِّب التعلّم ذاتي الإشراف (SSL) النماذج على توقّع الأجزاء المخفية من بيانات الإدخال (مثل كلمات محجوبة في نص أو رقع محجوبة في صورة) من دون ملصقات بشرية، مولِّدًا إشارات إشرافه بنفسه. يهيمن SSL على الذكاء التوليدي لثلاثة أسباب رئيسية:
- الكلفة: يلغي الحاجة إلى بيانات مُعلَّمة باهظة.
- القابلية للتوسّع: يستفيد من وفرة البيانات غير المُعلَّمة (نصوص/صور بحجم الإنترنت).
- التعلّم النقلي: تُضبَط النماذج المُدرَّبة مسبقًا بـSSL لمهام محددة بكمّ قليل من البيانات المُعلَّمة.
ومن تقنياته الأساسية النمذجة المُقنَّعة (Masked Modeling) التي تُخفي أجزاء من البيانات عشوائيًا وتُدرّب النموذج على إعادة بنائها. مثلًا، BERT (قدّمته Google عام 2018) يتنبّأ بالكلمات المحجوبة في الجُمل، مكتسبًا سياقًا ثنائي الاتجاه، وله تطبيقات في الترجمة وتلخيص المستندات.
ويُستخدم النمذجة التوليدية التسلسلية (Autoregressive) على نطاق واسع في الذكاء التوليدي لتوقّع الرمز التالي في تسلسل؛ وأشهر أمثلته GPT-4 الذي يولّد النص كلمةً بكلمة.
المزايا والمخاوف المتعلقة بالذكاء الاصطناعي التوليدي
أكبر مزايا GenAI في وظائف مثل المشتريات هي إنتاجية المؤسسة. يستطيع GenAI الإجابة بأسلوب قريب من البشر، وتقليل الجهد في المهام الرتيبة، وتقديم ملخصات يسهل الوصول إليها لموضوعات معقّدة، وإنتاج ترجمات وتفريغات تلقائية… إلخ. ستستخدم معظم القطاعات وأماكن العمل شكلًا من GenAI لتعزيز العمل وتحسينه؛ وهو مدمج بالفعل في أنشطتنا اليومية (مثل Copilot ضمن Microsoft Office).
مع ذلك، هناك سلبيات: يجب التحوّط من انتهاكات حقوق النشر، وسوء التمثيل، والمعلومات المضللة. وتتصاعد المخاوف من المزوّرات العميقة (Deepfakes) التي قد تُستخدم لتعطيل الأعمال عبر انتهاك الخصوصية وتقويض الثقة. مثلًا، قد يستغل مجرمو الإنترنت نسخًا صوتية/مرئية مُولَّدة لمسؤولين (كالرئيس التنفيذي للمشتريات) لخداع الموظفين لتحويل أموال احتيالية أو مشاركة بيانات حسّاسة. خسر بنكٌ في هونغ كونغ 35 مليون دولار بعد أن حوّل موظفٌ أموالًا لمحتالين استخدموا مقطعًا صوتيًا مزيّفًا ينتحل شخصية مسؤول كبير.
كما أن GenAI ليس—ولن يكون—مثاليًا: قد يُنتج نتائج خاطئة أو مضللة أو بلا معنى رغم مظهرها المقنع («هلوسات»). مثلًا، قد يعجز عن التقاط السخرية في تعقيبات العملاء، ما يقود لقرارات سيئة. لذا تظل الحاجة إلى وجود الإنسان ضمن الحلقة (HITL) قائمة دائمًا.
ويتطلّب تدريب GenAI قدرًا هائلًا من الطاقة، ما يولّد كربونًا بكميات ضخمة ويؤثّر في المناخ. تُقدَّر كهرباء تدريب ChatGPT-4 بين 51,772 و62,318 ميغاواط ساعة—مولّدةً آلاف الأطنان المترية من انبعاثات ثاني أكسيد الكربون.
حالات استخدام GenAI في الصناعة
أثار استخدام GenAI أكبر قدر من الاهتمام—وحتى الجدل—في القطاعات الإبداعية. لكن—as رأينا—يقدّم GenAI فوائد جمّة للتصنيع في التصميم الأمثل، وتحسين العمليات، والتخصيص، وضبط الجودة، والصيانة التنبؤية.
قطاعات أخرى تستفيد من GenAI تشمل:
- الرعاية الصحية/اكتشاف الأدوية: يساهم GenAI في توليد تراكيب جزيئية جديدة وتقدير خصائصها، مُسرِّعًا البحث عن أدوية جديدة. وتنتج أدوات مثل Microsoft DAX Express ملاحظاتٍ سريرية من محادثات الطبيب والمريض.
- التعليم: يعمل GenAI كمساعد تعلّم، منشئًا أدلة دراسية واختبارات مُصمَّمة حسب أداء الطالب (مثل استخدام ChatGPT لتوليد أسئلة تدريبية لطلبة الأحياء). وتستطيع أدوات مثل Scribbr كشف الانتحال في تقارير الطلبة.
- القطاع العام: يُركّب GenAI مخرجات المشاورات العامة (مثل تلخيص آلاف المشاركات إلى رؤى قابلة للتنفيذ). وتُدير روبوتات المحادثة الأسئلة الشائعة (الضرائب، إرشادات السفر)، وتُبسّط إجراءات التأشيرات، ما يقلّل أزمنة الانتظار.
- المالية: يُستخدم GenAI على نطاق واسع في كشف الاحتيال بتحليل أنماط المعاملات لرصد الشذوذ (مثل منصة COiN لدى JPMorgan)، وفي التقارير المؤتمتة لصياغة البيانات والتوقعات المالية (مثل تجارب Accenture لعملاء الشؤون المالية والمحاسبة)، وفي دعم العملاء عبر روبوتات محادثة لحل استفسارات مصرفية (مثل Erica لدى Bank of America).
- النقل واللوجستيات: تتنبّأ نماذج GenAI بأنماط المرور لتحسين المسارات ورفع الكفاءة. وتُستخدم النماذج التوليدية لمحاكاة سيناريوهات القيادة لتدريب الأنظمة ذاتية القيادة. وتُدير المخزون وتتنبّأ بذروات الطلب.
مستقبل الذكاء الاصطناعي: التقارب
يرجّح أن يكمن المستقبل في تقارب الذكاء التوليدي مع أنماط أخرى (التنبؤي، التمييزي، القائم على الوكلاء) ومع تقنيات (إنترنت الأشياء، الأتمتة)، لبناء أنظمة متكاملة تُضخّم القدرات بما يتجاوز ما يُحققه أي نهج منفرد.
سيمتزج إبداع GenAI مع قوة التنبؤ في الذكاء التنبؤي لاتخاذ قرارات ديناميكية. مثلًا، في الرعاية الصحية سيصمّم التوليدي مرشّحات دوائية، بينما يتنبّأ الذكاء التنبؤي بمخرجات التجارب السريرية.
ويوفّر اقتران GenAI مع Agentic AI آفاقًا مثيرة: يُنشئ GenAI المحتوى (مثل الشيفرة البرمجية)، بينما يُنفّذ Agentic AI المهام التي صُمِّمت لها الشيفرة ذاتيًا (الجدولة، جلب البيانات). مستقبلًا ستُنسّق الأنظمة متعددة الوكلاء (مثل AutoGPT) سير عمل معقّدًا: من تصميم المنتج إلى الامتثال التنظيمي ثم التسويق.
وتشمل التوجهات الناشئة الذكاء العصبي الشكل (Neuromorphic AI): إذ قد تدمج النماذج اللغوية مستقبلًا حوسبةً شبيهة بالدماغ لتوليدٍ فوري موفّر للطاقة. وسيُتيح الدمج متعدد الوسائط لنماذج مثل GPT-4 وGemini معالجة النص والصورة والفيديو معًا لحلول شاملة. كما ستجعل نماذج اللغة الأصغر (SLMs) مثل Llama 3 الذكاء الهجين متاحًا على الأجهزة الطرفية، ما يُعمّم GenAI.
الخلاصة
يمكن للذكاء التوليدي مساعدتنا على إنجاز أمور عظيمة، لكن كثيرين—خصوصًا في القطاعات الإبداعية—يرون أنه يأتي بكلفة أخلاقية واجتماعية وبيئية وبشرية. وتقلّ هذه الإشكالات في قطاعات أخرى ووظائف مثل المشتريات، لكنها تظلّ عوامل ينبغي النظر فيها ودعم أطرٍ أخلاقية حول GenAI وأشكالٍ أخرى من الذكاء الاصطناعي. وقبل كل شيء، يبقى التحقّق البشري من دقة المحتوى أمرًا جوهريًا دائمًا.
